Einmal habe ich einen Online-Investment-Kurs gekauft, in dem der Abschnitt „Regeln für das Risikomanagement“ damit geworben hat, dass er „tausenden Lernenden zum Erfolg verhilft“. Erst nach genauerem Hinsehen stellte sich heraus, dass diese Zahl nur die Anmeldungen zählt – nicht die, die es wirklich anwenden und Gewinne erzielen. Man zählt das Falsche – man zählt Käufer, nicht diejenigen, die davon profitieren.
Das legt nahe, den Wert einer Policy über @NewtonProtocol zu bewerten, wenn man nur anhand der Anzahl der AI Agents schaut, die sie anwenden. Dass ein AI Agent „gerade läuft“ und eine Policy nutzt, beweist nicht, dass dabei auch wirklich gute Ergebnisse entstehen – möglicherweise ist er nur standardmäßig bei der ersten Integration konfiguriert, und die Nutzer haben nie aktiv bewertet oder verglichen.
Wenn Newton die Popularität nur nach der Anzahl der technischen Integrationen gewichtet, ohne zu unterscheiden zwischen „installiert“ und „tatsächlich bringt es gute Ergebnisse“, kann die Rangliste neue Organisationen in die Irre führen: Sie wählen dann nach der populärsten Policy, weil sie glauben, diese sei bereits überprüft.
Selbstkritik: Aber „gute Ergebnisse“ zu messen ist nicht so einfach wie Gewinne oder Verluste zu messen, weil Policies viele unterschiedliche Ziele bedienen – Profit, Kapitalerhalt oder nur die Einhaltung von Compliance ohne konkretes finanzielles Ziel, um sie überhaupt vergleichen zu können. Es gibt kein einheitliches Maß für „Erfolg“ für alle Arten von Policies.
Deshalb braucht Newton ein Bewertungssystem, das Policies nach ihren jeweiligen Zielen klassifiziert – statt einer einzigen gemeinsamen Skala: Eine Policy zur Risikokontrolle wird anhand der Häufigkeit bewertet, große Verluste zu vermeiden; eine Profit-Optimierungs-Policy anhand der tatsächlichen Leistung. So können Nutzer die richtige Kategorie miteinander vergleichen.
$NEWT sollte danach bewertet werden, ob es ein solches zielgerichtetes, klassifizierendes Bewertungssystem gibt – nicht nur anhand einer allgemeinen Rangliste der Popularität.
#newt $BTC $ETH
Das legt nahe, den Wert einer Policy über @NewtonProtocol zu bewerten, wenn man nur anhand der Anzahl der AI Agents schaut, die sie anwenden. Dass ein AI Agent „gerade läuft“ und eine Policy nutzt, beweist nicht, dass dabei auch wirklich gute Ergebnisse entstehen – möglicherweise ist er nur standardmäßig bei der ersten Integration konfiguriert, und die Nutzer haben nie aktiv bewertet oder verglichen.
Wenn Newton die Popularität nur nach der Anzahl der technischen Integrationen gewichtet, ohne zu unterscheiden zwischen „installiert“ und „tatsächlich bringt es gute Ergebnisse“, kann die Rangliste neue Organisationen in die Irre führen: Sie wählen dann nach der populärsten Policy, weil sie glauben, diese sei bereits überprüft.
Selbstkritik: Aber „gute Ergebnisse“ zu messen ist nicht so einfach wie Gewinne oder Verluste zu messen, weil Policies viele unterschiedliche Ziele bedienen – Profit, Kapitalerhalt oder nur die Einhaltung von Compliance ohne konkretes finanzielles Ziel, um sie überhaupt vergleichen zu können. Es gibt kein einheitliches Maß für „Erfolg“ für alle Arten von Policies.
Deshalb braucht Newton ein Bewertungssystem, das Policies nach ihren jeweiligen Zielen klassifiziert – statt einer einzigen gemeinsamen Skala: Eine Policy zur Risikokontrolle wird anhand der Häufigkeit bewertet, große Verluste zu vermeiden; eine Profit-Optimierungs-Policy anhand der tatsächlichen Leistung. So können Nutzer die richtige Kategorie miteinander vergleichen.
$NEWT sollte danach bewertet werden, ob es ein solches zielgerichtetes, klassifizierendes Bewertungssystem gibt – nicht nur anhand einer allgemeinen Rangliste der Popularität.
#newt $BTC $ETH